通过python应用偏最小二乘法预测数据后的RMSEP和R2可以通过以下步骤获得：

1. 导入相关库，包括numpy、pandas、sklearn等。
2. 读取数据并进行预处理，包括数据清洗、特征选择、数据标准化等。
3. 将数据分成训练集和测试集，通常采用交叉验证方法。
4. 使用偏最小二乘法建立模型并进行训练。
5. 对测试集进行预测，并计算预测结果的RMSEP和R2值。
6. 可以使用matplotlib等库将预测结果可视化，帮助分析模型的效果。

下面是一个简单的示例代码：

import numpy as np
import pandas as pd
from sklearn.cross_decomposition import PLSRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 读取数据并进行预处理
data = pd.read_csv('data.csv')
X = data.drop(['Y'], axis=1)
Y = data['Y']
# 特征选择、数据标准化等处理
...

# 将数据分成训练集和测试集
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

# 建立模型并进行训练
pls = PLSRegression(n_components=3)
pls.fit(X_train, Y_train)

# 对测试集进行预测并计算RMSEP和R2值
Y_pred = pls.predict(X_test)
rmsep = np.sqrt(mean_squared_error(Y_test, Y_pred))
r2 = r2_score(Y_test, Y_pred)

# 输出结果
print('RMSEP:', rmsep)
print('R2:', r2)

# 可以使用matplotlib将预测结果可视化
... 

需要注意的是，在实际应用中，还需要考虑模型的稳定性、可解释性等因素，以及进行参数调优等操作，以获得更好的预测效果。